合成数据让目标检测不怕变天换地，但合成到真实的鸿沟仍是最大拦路虎！
Domain generalization and synthetic data in object detection: the enabler, the probe, and the gap
📖 AI 总结
本文综述了目标检测领域中的域泛化（DG）研究，并探讨合成数据在其中扮演的三重角色。作者指出，目标检测模型在部署时面对天气、环境或目标外观等分布变化时性能往往显著下降，而针对目标检测的域泛化研究仍相对稀缺，且需额外应对定位与多尺度表征带来的挑战。文章从三个互补视角展开分析：合成数据作为“使能者”，通过多样化和对齐策略提升模型对分布偏移的鲁棒性；作为“探针”，支持受控实验以识别和理解失败模式；以及合成到现实的鸿沟，即模型从合成图像迁移到真实数据时面临的特殊域偏移问题。基于上述分析，作者指出现有域泛化方法的局限，并主张未来研究需要发展显式兼顾定位与分类的表征感知方法。
🔑 关键词速览
| Domain Generalization (DG) | 领域泛化，指模型在未见过的分布偏移下仍保持鲁棒性的能力。 |
| Object Detection | 目标检测，计算机视觉任务，旨在定位并分类图像中的物体。 |
| Synthetic Data | 合成数据，通过计算机生成而非真实采集的数据，常用于扩充训练集。 |
| Distribution Shift | 分布偏移，指训练数据与测试数据分布不一致的现象。 |
| Synthetic-to-Real Gap | 合成到真实的差距，指模型从合成图像迁移到真实图像时性能下降的问题。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅